一种轻量化人脸识别算法及充电桩人机交互系统的制作方法

1.本发明涉及充电桩的人机交互技术领域，尤其是一种轻量化人脸识别算法及充电桩人机交互系统。


背景技术：

2.电动车(电动自行车、电动汽车)的充电桩用于给电动车进行充电，其相较于平常人们在楼宇之间随意牵线进行电动车，具有更加安全的优势。现有技术中的充电桩，在使用时，需要进行投币以及例如使用扫码设备扫描二维码，此时需要额外的电子设备(通常为用户的智能手机)进行支撑才可以完成缴费、解锁等操作，而在用户结束充电后，同样需要再次使用电子设备进行扫码，以结束用户订单，同时支付充电时的费用。然而目前由于移动支付的普及，人们很少携带现金出门，投币型充电桩实用性较低。而且充电桩的安装位置可能在地下停车场或高速公路服务器等手机信号薄弱的地区，用户通过智能手机扫码操作会出现长时间加载操作界面甚至无法登陆账户的情况，也会耗费用户时间，导致充电用户充电体验不佳。同时用于验证身份的人脸识别技术目前大量应用于用户账户登录环境和支付环节，但是当前的人脸识别技术会受到光照、图片质量、人脸图像数据过多等影响，导致识别准确率降低，识别时间变长。因此，在室外环境，例如在充电桩设置区域应用人脸识别技术用于验证用户登录，需要考虑光照过强或过暗，以及处理人脸图像数据过多的问题，这对人脸识别算法有更高的要求。


技术实现要素：

3.为解决上述现有技术问题，本发明提供一种轻量化人脸识别算法及充电桩人机交互系统，在该系统中，记录着用户的账号信息以及用户身份匹配信息，用户的身份匹配方法例如可以使用人脸识别、指纹识别、瞳孔识别以及手势识别等，主要采用人脸识别的方式，对用户的身份进行核验，当用户的身份通过核验后，即可实现用户的登录，用户可以进入自己的账户中，完成相应的充电操作。用户可通过安装于充电桩上的可触摸式电子屏完成身份识别进入个人账户控制充电桩给车辆充电和停止充电，以及完成充电费用支付。为保证用户身份核验速度和安全问题，本发明同时提供一种轻量化人脸识别算法解决室外和地下室光线问题和处理人脸图像数据量过多问题对人脸识别速度和准确率的影响。
4.为了实现上述目的，本发明采用的技术方案是：
5.一种充电桩人机交互系统，其中，包括：
6.具有可触摸式显示屏的充电桩本体；
7.系统前端；
8.系统服务端；
9.其中，所述系统前端安装于充电桩本体，包括：
10.信息接收模块；
11.信息输出模块；
12.其中，所述系统服务端存储有用户的人脸图像信息和账户信息，可以接收信息输出模块发送的人脸图像并和服务端存储的用户人脸图像进行对比核验，得到对比结果，并向信息接收模块发送能否登录的信号；
13.所述信息接收模块可调用信息录入装置采集人脸图像，可接收用户通过可触摸式显示屏传达的信息以及服务端传达的信息，并将信息传达至信息输出模块；
14.所述信息输出模块功能包括：
15.将信息接收模块采集的人脸图像发送到系统服务端，并通过可触摸式显示屏反馈登录结果以及登录成功后的用户账号操作界面；
16.接收到信息接收模块传达的开始充电或停止充电的信号后，能够向充电桩发送开始充电或停止充电的信号；
17.停止充电后，通过可触摸式显示屏反馈需要支付的充电费用及费用支付情况。
18.优选的，其中，所述信息接收模块可调用信息录入装置采集指纹、瞳孔或手势信息，所述系统服务端可存储对应的用户验证信息，以此完成信息对比核验。
19.优选的，该系统，进一步包括广告设置模块，可以将广告素材投放到和系统连接的显示屏上。
20.优选的，系统前端通过可触摸式显示屏显示的初始界面包括：
21.面部信息检测框；
22.广告设置区；
23.人机交互按钮；
24.所述面部信息检测框位于屏幕中心部位，可显示出被采集的图片信息；所述人机交互按钮位于面部信息检测框下方；所述广告设置区位于面部信息检测框的左右两侧。
25.一种轻量化人脸识别算法，其中，包括：
26.对图像进行预处理，即将图像尺度统一固定为640*480；
27.对预处理后的图像进行灰度处理，得到灰度图像；
28.利用深度卷积神经网络(deep convolutional network)提取灰度图像的特征向量
29.将提取到的图像特征向量和数据库中存放的面部特征向量进行比对，得出对比结果。
30.优选的，所述深度卷积神经网络包括：
31.三层“卷积层(conv()) 池化层(pooling())”；
32.全连接层；
33.所述全连接层位于三层“卷积层(conv()) 池化层(pooling())”之后。
34.优选的，所述池化层采用均值池化操作对图像进行处理。
35.优选的，所述算法步骤(4)的向量对比方式为：
36.采用欧氏距离来度量图像特征向量和数据库中存放的面部特征向量的距离差值，倘若该差值小于系统中设置的阈值，则表明图像核验通过；所述阈值范围为：0.03-0.07。
37.本发明的有益效果体现在：在充电桩上增加人机交互系统，用户只需要通过可接
触式屏幕即可操作充电桩完成充电流程，解决了使用手机扫码充电时，手机信号不佳导致充电操作困难的问题，同时设计了一种轻量化人脸识别算法用于支持用户登录过程中人脸识别环节，该算法计算量小，且适应于充电桩所在位置的环境，可极大的提高人脸识别准确度和速度。
附图说明：
38.图1为充电桩人机交互系统总框架示意图；
39.图2为系统的初始显示界面；
40.图3为深度卷积神经网络结构图；
41.图4为应用了一种轻量化人脸识别算法的充电桩人机交互系统流程示意图；
42.图5为用户面部图像比对成功示意图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.请参阅图1-4所示，本发明提供的具体实施例如下：
45.实施例1：
46.一种充电桩人机交互系统，其中，包括：
47.具有可触摸式显示屏的充电桩本体；
48.系统前端；
49.系统服务端；
50.其中，所述系统前端安装于充电桩本体，包括：
51.信息接收模块；
52.信息输出模块；
53.其中，所述系统服务端存储有用户的人脸图像信息和账户信息，可以接收信息输出模块发送的人脸图像并和服务端存储的用户人脸图像进行对比核验，得到对比结果，并向信息接收模块发送能否登录的信号；
54.所述信息接收模块可调用信息录入装置采集人脸图像，可接收用户通过可触摸式显示屏传达的信息以及服务端传达的信息，并将信息传达至信息输出模块；
55.所述信息输出模块功能包括：
56.将信息接收模块采集的人脸图像发送到系统服务端，并通过可触摸式显示屏反馈登录结果以及登录成功后的用户账号操作界面；
57.接收到信息接收模块传达的开始充电或停止充电的信号后，能够向充电桩发送开始充电或停止充电的信号；
58.停止充电后，通过可触摸式显示屏反馈需要支付的充电费用及费用支付情况。
59.在本实施例中，当用户需要使用充电桩给车辆充电时，在可触摸式显示屏前进行人脸识别，识别通过后即可登录到用户的个人账户界面，再通过点击可触摸式显示屏向系
统前端发送开始充电、结束充电等命令即可完成整个充电流程和支付流程。和传统的借助手机扫码执行充电流程的充电桩相比，本方案解决了在信号薄弱地区利用充电桩给车辆充电时，由于手机网速差导致扫码操作困难的问题；同时因为不需要借助手机操作来控制充电桩，减少了用户在整个充电过程中需要耗费的时间。
60.实施例2：
61.所述信息接收模块可调用信息录入装置采集指纹、瞳孔或手势信息，所述系统服务端设有对应的用户特征存储区，以此完成信息对比核验。
62.本实施例为系统增加了多种生物特征信息录入类型，并设立对应的用户特征存储区，可防止因为核验身份方式单一同时受验证环境影响，用户登录失败的问题。
63.实施例3：
64.该系统进一步包括广告设置模块，可以将广告素材投放到和系统连接的显示屏上。
65.本实施例增加了广告模块，在用户操作可触摸式显示屏时可以看见投放到显示屏的广告。由此，运营商可以向需要广告宣传的商家收取广告费，获取利益。
66.实施例4：
67.系统前端通过可触摸式显示屏显示的初始界面包括：
68.面部信息检测框；
69.广告设置区；
70.人机交互按钮；
71.所述面部信息检测框位于屏幕中心部位，可显示出被采集的图片信息；所述人机交互按钮位于面部信息检测框下方；所述广告设置区位于面部信息检测框的左右两侧。
72.本实施例设计了一个前端系统的初始显示界面，合理的设置了广告显示区域位置，使其不影响用户使用充电桩的功能，同时实现广告投放的要求，以帮助电动车充电桩运营企业提高收益。
73.实施例5：
74.一种轻量化人脸识别算法，其中，包括：
75.(1)对图像进行预处理，即将图像尺度统一固定为640*480；
76.(2)对预处理后的图像进行灰度处理，得到灰度图像；
77.(3)利用深度卷积神经网络(deep convolutional network)提取灰度图像的特征向量；
78.(4)将提取到的图像特征向量和数据库中存放的面部特征向量进行比对，得出对比结果。
79.本实施例提出的一种轻量化人脸识别算法，通过统一图像尺寸并得到图像灰度使以消除原始图像中rgb三原色由于光照等的影响，从而避免在后续的识别模型中将色彩也纳入到特征识别环节中，以提高用户身份识别的准确性，同时由于图片尺寸统一，通道数减少，因此利用深度卷积神经网络提取图片特征时运算量更小，提取到待核验人脸图像的特征向量后直接和数据库中事先提取出的用户人脸图片的特征向量进行对比，不需要反复提取数据库中人脸图像的特征向量。
80.实施例6：
81.所述深度卷积神经网络包括：
82.三层“卷积层(conv()) 池化层(pooling())”；
83.全连接层；
84.所述全连接层位于三层“卷积层(conv()) 池化层(pooling())”之后。
85.本实施例采用多层“卷积层(conv()) 池化层(pooling())”提取人脸图片的特征，即卷积神经网络可以使用小的卷积核，例如3*3的卷积核提取图片特征。若使用单层卷积神经网络提取图片特征，要达到和本方案相同的提取效果，替代3*3的卷积核，就需要7*7的卷积核；三个3*3的卷积层参数个数为：3*3*3＝27，一个7*7的卷积层参数个数为7*7＝49，由此可知，本方案在图片特征提取环节进一步减少了系统的计算量。
86.实施例7：
87.所述池化层采用均值池化操作对图像进行处理。
88.池化层的作用在于压缩数据和参数量，以缩小过拟合，池化操作有多种可实现的形式，例如最大池化、均值池化。本方案考虑到充电桩的日常使用环境(如室外环境光线过强，地下室灯光过暗)，为进一步减少周围环境的干扰，采用基于均值的池化操作对图像进行处理，简而言之，即对于2*2大小的四个像素块，使用四个像素值的平均值代替该2*2大小的数值，例如四个像素(10，20，30，80)，像素值80为干扰像素，则采用平均值后，输出为35，由此减少干扰像素值80的影响，提高检测准确度。
89.实施例8：
90.该算法所述步骤(4)的向量对比方式为：
91.采用欧氏距离来度量图像特征向量和数据库中存放的面部特征向量的距离差值，倘若该差值小于系统中设置的阈值，则表明图像核验通过；所述阈值范围为：0.03-0.07。
92.由于每两个向量之间就需要进行距离计算，因此该操作的复杂度取决于数据库中图像数据的数量和两个向量对比相似度时计算的复杂度，一般的相似度计算有欧式距离、马氏距离、曼哈顿距离，其中欧式距离直接计算两个坐标点之间的绝对距离；马氏距离需要考虑各个分量为不同性质的量时(比如，人的身高与体重，西瓜的重量与体积)，“距离”的大小与指标的单位有关。例如，横轴x代表重量(以kg为单位)，纵轴y代表长度(以cm为单位),显然它们之间的权重是不同的,因此需要先将数据标准化才能计算距离；而曼哈顿距离用于标明两个点在标准坐标系上的绝对轴距总和。因此，计算两个向量间的欧式距离计算量最小，且本算法中得到的特征向量的各坐标轴分量为相同性质的量，所以本方案采用欧氏距离来度量两个对比向量之间的距离。
93.在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系。
94.在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
95.在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或
多个实施例或示例中以合适的方式结合。
96.在本发明的实施例的描述中，需要理解的是，
“‑”
和“～”表示的是两个数值之同的范围，并且该范围包括端点。例如:“a-b”表示大于或等于a，且小于或等于b的范围。“a～b”表示大于或等于a，且小于或等于b的范围。
97.在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
98.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。